MongoDB tích hợp Tìm kiếm Vector Atlas với Amazon Bedrock của AWS để tăng cường các mô hình AI tổng hợp
Tóm lại
Việc tích hợp Atlas Vector Search của MongoDB với Amazon Bedrock của AWS nhằm mục đích tăng tốc độ phát triển các ứng dụng được hỗ trợ bởi AI tổng hợp.
Tại AWS re:Invent 2023, cơ sở dữ liệu trên nền tảng đám mây MongoDB công bố kế hoạch hội nhập Tìm kiếm vectơ Atlas MongoDB với nền tảng Amazon, để hỗ trợ phát triển các ứng dụng AI trên Amazon Web Services (AWS), tận dụng cơ sở hạ tầng đám mây nổi tiếng của nó.
Sự hợp tác này nhằm mục đích hợp lý hóa việc kết hợp AI tổng hợp và khả năng tìm kiếm ngữ nghĩa, nâng cao trải nghiệm và sự tương tác của người dùng.
MongoDB Atlas Vector Search sử dụng dữ liệu vận hành để tích hợp AI tổng hợp vào các ứng dụng, mang lại trải nghiệm tùy chỉnh cho người dùng cuối. Việc tích hợp với Amazon Bedrock sẵn sàng trao quyền cho các nhà phát triển, đơn giản hóa việc tạo Ứng dụng AWS sử dụng AI tổng quát cho các trường hợp sử dụng đa dạng.
Nó sẽ cho phép các ứng dụng cung cấp phản hồi cập nhật dựa trên dữ liệu độc quyền được xử lý bởi MongoDB Atlas Vector Search.
Không giống như các giải pháp bổ trợ chỉ lưu trữ dữ liệu vectơ, MongoDB Atlas Vector Search hoạt động như một cơ sở dữ liệu vectơ hiệu suất và có thể mở rộng. Nó tích hợp với cơ sở dữ liệu hoạt động phân tán toàn cầu có khả năng lưu trữ và xử lý toàn bộ dữ liệu của tổ chức.
Thông qua việc tích hợp với Amazon Bedrock, khách hàng có được khả năng tùy chỉnh riêng các mô hình nền tảng (FM), cộng tác với AI21 Labs, Amazon, nhân loại, Cohere, Meta và Stability AI. Quá trình này bao gồm việc kết hợp dữ liệu độc quyền, chuyển đổi nó thành các phần nhúng vectơ và tận dụng Tìm kiếm vectơ Atlas MongoDB để xử lý các phần nhúng này.
“Mặc dù MongoDB Atlas Vector Search có thể hoạt động với nhiều loại mô hình nền tảng (FM) từ các nhà cung cấp như OpenAI, Hugging Face, Microsoft Azure, Google Cloud, Anthropic và các sản phẩm khác — Amazon Bedrock cung cấp nhiều lựa chọn FM được quản lý, hiệu suất cao mà nhà phát triển có thể sử dụng để chuyển đổi dữ liệu độc quyền (hình ảnh, văn bản, video, v.v.) thành vectơ để FM thích kích thước lớn các mô hình ngôn ngữ có thể xử lý chúng và cung cấp phản hồi cho các yêu cầu của người dùng cuối,” Andrew Davidson, SVP Sản phẩm tại MongoDB nói với Metaverse Post.
Tăng tốc các ứng dụng AI sáng tạo với Tìm kiếm Vector
MongoDB cho biết các ứng dụng tổng hợp sử dụng thế hệ tăng cường truy xuất (RAG) của Đại lý cho Amazon Bedrock — sẽ có thể phản hồi các truy vấn của người dùng bằng thông tin có liên quan và phù hợp với ngữ cảnh mà không cần mã hóa thủ công.
Davidson của MongoDB cho biết: “Thế hệ tăng cường truy xuất (RAG) hiện là một mẫu kiến trúc phổ biến nơi các tổ chức có thể cung cấp dữ liệu độc quyền cho các mô hình nền tảng (FM) để tùy chỉnh các phản hồi theo yêu cầu của người dùng cuối để chúng được cá nhân hóa, chính xác và phù hợp hơn”. Metaverse Post. “Điều này làm giảm cái gọi là ảo giác mà FM có thể mắc phải và cung cấp cho người dùng cuối những phản hồi đáng tin cậy hơn.”
Ví dụ: một tổ chức bán lẻ quần áo có thể phát triển một trí tuệ nhân tạo ứng dụng để tự động hóa các tác vụ như xử lý yêu cầu kiểm kê theo thời gian thực hoặc cá nhân hóa việc trả lại và trao đổi của khách hàng bằng cách đề xuất hàng hóa tương tự trong kho.
“Bằng cách cung cấp các mô hình nền tảng (FM) với ngữ cảnh từ dữ liệu độc quyền của tổ chức được xử lý bởi MongoDB Atlas Vector Search, người dùng cuối có thể nhận được phản hồi chính xác và cá nhân hóa hơn cho các yêu cầu của họ,” Davidson của MongoDB nói Metaverse Post. “Vì vectơ được lưu trữ cùng với siêu dữ liệu, dữ liệu vận hành, dữ liệu chuỗi thời gian, dữ liệu không gian địa lý và các loại dữ liệu khác, nên Atlas Vector Search có thể thực hiện các truy vấn phức tạp hơn cơ sở dữ liệu vectơ cố định thông qua một API và ngôn ngữ truy vấn duy nhất.”
Các tổ chức cũng có thể triển khai MongoDB Atlas trên các lĩnh vực chính nhà cung cấp đám mây đồng thời để có được độ sẵn sàng và độ tin cậy tối đa, cùng với các biện pháp kiểm soát bảo mật và quyền riêng tư dữ liệu — rất quan trọng đối với khách hàng, đặc biệt là những khách hàng trong các ngành được quản lý.
“Các nhà phát triển có thể dễ dàng phát triển mô hình dữ liệu thay vì thiết kế lại toàn bộ lược đồ dữ liệu, việc này có thể mất hàng tháng làm việc và trì hoãn việc triển khai các tính năng ứng dụng mới, bao gồm cả những tính năng sử dụng AI tổng hợp mà không phải lo lắng về chi phí liên tục chuyển sang các tính năng lớn hơn. và các cụm cơ sở dữ liệu lớn hơn,” Davidson của MongoDB nói thêm.
Việc tích hợp MongoDB Atlas Vector Search với Amazon Bedrock dự kiến sẽ có mặt trên AWS trong những tháng tới.
Từ chối trách nhiệm
Phù hợp với Hướng dẫn của Dự án Tin cậy, xin lưu ý rằng thông tin được cung cấp trên trang này không nhằm mục đích và không được hiểu là tư vấn pháp lý, thuế, đầu tư, tài chính hoặc bất kỳ hình thức tư vấn nào khác. Điều quan trọng là chỉ đầu tư những gì bạn có thể đủ khả năng để mất và tìm kiếm lời khuyên tài chính độc lập nếu bạn có bất kỳ nghi ngờ nào. Để biết thêm thông tin, chúng tôi khuyên bạn nên tham khảo các điều khoản và điều kiện cũng như các trang trợ giúp và hỗ trợ do nhà phát hành hoặc nhà quảng cáo cung cấp. MetaversePost cam kết báo cáo chính xác, không thiên vị nhưng điều kiện thị trường có thể thay đổi mà không cần thông báo trước.
Giới thiệu về Tác giả
Victor là Biên tập viên/Nhà văn Quản lý Công nghệ tại Metaverse Post và bao gồm trí tuệ nhân tạo, tiền điện tử, khoa học dữ liệu, siêu dữ liệu và an ninh mạng trong lĩnh vực doanh nghiệp. Ông tự hào có nửa thập kỷ kinh nghiệm về truyền thông và AI khi làm việc tại các cơ quan truyền thông nổi tiếng như VentureBeat, DatatechVibe và Analytics India Magazine. Là Cố vấn Truyền thông tại các trường đại học danh tiếng bao gồm Oxford và USC, đồng thời có bằng Thạc sĩ về khoa học và phân tích dữ liệu, Victor cam kết sâu sắc trong việc theo kịp các xu hướng mới nổi. Ông cung cấp cho độc giả những câu chuyện mới nhất và sâu sắc nhất từ Công nghệ và Web3 phong cảnh.
Xem thêm bài viết
Victor là Biên tập viên/Nhà văn Quản lý Công nghệ tại Metaverse Post và bao gồm trí tuệ nhân tạo, tiền điện tử, khoa học dữ liệu, siêu dữ liệu và an ninh mạng trong lĩnh vực doanh nghiệp. Ông tự hào có nửa thập kỷ kinh nghiệm về truyền thông và AI khi làm việc tại các cơ quan truyền thông nổi tiếng như VentureBeat, DatatechVibe và Analytics India Magazine. Là Cố vấn Truyền thông tại các trường đại học danh tiếng bao gồm Oxford và USC, đồng thời có bằng Thạc sĩ về khoa học và phân tích dữ liệu, Victor cam kết sâu sắc trong việc theo kịp các xu hướng mới nổi. Ông cung cấp cho độc giả những câu chuyện mới nhất và sâu sắc nhất từ Công nghệ và Web3 phong cảnh.
